# Crie um conjunto de dados para treinamento

Existem muitos conjuntos de dados no [Hub](https://huggingface.co/datasets?task_categories=task_categories:text-to-image&sort=downloads) para treinar um modelo, mas, se você não encontrar um que lhe interesse ou quiser usar o seu próprio, pode criar um conjunto de dados com a biblioteca 🤗 [Datasets](https://huggingface.co/docs/datasets). A estrutura do conjunto de dados depende da tarefa na qual você deseja treinar seu modelo. A estrutura mais básica de um conjunto de dados é um diretório de imagens para tarefas como a geração de imagens incondicional. Outra estrutura de conjunto de dados pode ser um diretório de imagens e um arquivo de texto contendo as legendas de texto correspondentes para tarefas como a geração de imagem a partir de texto.

Este guia mostrará duas maneiras de criar um conjunto de dados para ajuste fino:

- fornecer uma pasta de imagens para o argumento `--train_data_dir`
- envie um conjunto de dados para o Hub e passe o id do repositório do conjunto de dados para o argumento `--dataset_name`

> [!TIP]
> 💡 Saiba mais sobre como criar um conjunto de dados de imagens para treinamento no guia [Criar um conjunto de dados de imagens](https://huggingface.co/docs/datasets/image_dataset).

## Forneça um conjunto de dados como uma pasta

Para geração incondicional, você pode fornecer seu próprio conjunto de dados como uma pasta de imagens. O script de treinamento usa o construtor [`ImageFolder`](https://huggingface.co/docs/datasets/en/image_dataset#imagefolder) do 🤗 Datasets para construir automaticamente um conjunto de dados a partir da pasta. A estrutura do seu diretório deve ser:

```bash
data_dir/xxx.png
data_dir/xxy.png
data_dir/[...]/xxz.png
```

Passe o caminho para o diretório do conjunto de dados para o argumento `--train_data_dir` e, em seguida, você pode iniciar o treinamento:

```bash
accelerate launch train_unconditional.py \
    --train_data_dir <path-to-train-directory> \
    <other-arguments>
```

## Envie seus dados para o Hub

> [!TIP]
> 💡 Para mais detalhes e contexto sobre a criação e o envio de um dataset para o Hub, confira o post [Image search with 🤗 Datasets](https://huggingface.co/blog/image-search-datasets).

Comece criando um conjunto de dados com o recurso [`ImageFolder`](https://huggingface.co/docs/datasets/image_load#imagefolder), que cria uma coluna `image` contendo as imagens codificadas em PIL.

Você pode usar os parâmetros `data_dir` ou `data_files` para especificar a localização do conjunto de dados. O parâmetro `data_files` permite mapear arquivos específicos para divisões do conjunto de dados, como `train` ou `test`:

```python
from datasets import load_dataset

# example 1: local folder
dataset = load_dataset("imagefolder", data_dir="path_to_your_folder")

# example 2: local files (supported formats are tar, gzip, zip, xz, rar, zstd)
dataset = load_dataset("imagefolder", data_files="path_to_zip_file")

# example 3: remote files (supported formats are tar, gzip, zip, xz, rar, zstd)
dataset = load_dataset(
    "imagefolder",
    data_files="https://download.microsoft.com/download/3/E/1/3E1C3F21-ECDB-4869-8368-6DEBA77B919F/kagglecatsanddogs_5340.zip",
)

# example 4: providing several splits
dataset = load_dataset(
    "imagefolder", data_files={"train": ["path/to/file1", "path/to/file2"], "test": ["path/to/file3", "path/to/file4"]}
)
```

Em seguida, use o método [push_to_hub](https://huggingface.co/docs/datasets/main/en/package_reference/main_classes#datasets.Dataset.push_to_hub) para enviar o conjunto de dados para o Hub:

```python
# assuming you have ran the hf auth login command in a terminal
dataset.push_to_hub("name_of_your_dataset")

# if you want to push to a private repo, simply pass private=True:
dataset.push_to_hub("name_of_your_dataset", private=True)
```

Agora o conjunto de dados está disponível para treinamento, passando o nome do conjunto de dados para o argumento `--dataset_name`:

```bash
accelerate launch --mixed_precision="fp16"  train_text_to_image.py \
  --pretrained_model_name_or_path="stable-diffusion-v1-5/stable-diffusion-v1-5" \
  --dataset_name="name_of_your_dataset" \
  <other-arguments>
```

## Próximas etapas

Agora que você criou um conjunto de dados, pode inseri-lo nos argumentos `train_data_dir` (se o seu conjunto de dados for local) ou `dataset_name` (se o seu conjunto de dados estiver no Hub) de um script de treinamento.

Para os seus próximos passos, sinta-se à vontade para tentar usar seu conjunto de dados para treinar um modelo de [geração incondicional](unconditional_training) ou [geração de imagem a partir de texto](text2image)!